目前对非线性系统的辨识和控制的研究已成为国内外研究的前沿和热点问题,滑模变结构控制为复杂非线性系统的控制开辟了有广泛应用前景的崭新途径,因而对变结构控制的研究具有重要的理论和应用价值。本文主要将自适应控制、变结构控制与神经网络相结合,提出性能更优越的神经网络自适应变结构控制。同时,在神经网络学习算法上更着重研究如何提高算法的收敛性。文中首先提出一种基于系统辨识的非线性滑模变结构系统设计方法;该方法用两个神经网络来动态辨识被控对象,结合变结构控制,将整个系统的稳定性,收敛性和快速性有机的结合,避免了以往变结构控制中需要已知被控对象参数变化范围的要求,同时抖动也有所减少,因而系统的鲁棒性得到进一步加强。为了进一步提高神经网络的训练速度和学习算法的收敛速度,提出了一种基于新型变结构二阶学习算法的神经网络自适应变结构控制系统。该方案中,首先提出一种新型二阶Adaline神经网络,它是一种训练速度快,对非线性系统有一定逼近能力的神经网络,用它对系统进行辨识,能实现神经网络的实时在线调整。该变结构二阶学习算法,具有二阶收敛速度。已证明其学习误差收敛到一个带宽较小的滑模区。为了减少到达滑模面的时间,充分发挥神经网络和滑模变结构控制的各自优点,本文还研究了一种将神经网络和滑模变结构控制相融合的控制系统,方案中给出了基于神经网络的滑模面设计方法,实现运动过程中的全程滑模控制。为了减少抖动,给出了用神经网络在线调整控制器参数的方法。仿真结果证明了本文所提出方案的有效性。